脑电图(EEG)是一种非侵入性脑监测测试，其涉及沿着头皮放置电极以将信号发送到计算机以进行分析。脑电图已被广泛用于研究吞咽，分类心理状态，并诊断神经精神疾病，如神经源性疼痛和癫痫，但一些研究人员认为他们有未开发的潜力。

在预印本服务器Arxiv.org上发表的一篇论文(“ 使用EEG信号进行机器学习的情感识别 ”)，来自德克萨斯理工大学，伊朗大不里士大学和Akrham医院的团队描述了一个识别情感的AI系统。仅脑电图结果。

“情绪状态与各种各样的人类情感，思想和行为有关; 因此，它们影响了我们在决策，感知和人类智能等情况下合理行事的能力，“他们写道。“近年来，开发基于脑电信号的情绪识别系统[已]成为认知科学家的热门研究课题。”

研究小组指出，脑电信号很难分析，因为它们是非线性的，有些随机，并且“埋藏在各种噪声源中。”为了减少这种噪声，研究人员使用平均均值参考方法并确定了分解方法的特征。萃取。通过小波变换 - 一种在信号频率随时间变化时执行信号分析的数学方法 - 每个EEG信号被分成γ，β，α和θ波段分量，从中得出源EEG信号的统计特征。

研究人员采用DEAP(一种使用生理信号进行情感分析的注释语料库)来训练他们的情绪分类器。这包括来自32位参与者的EEG数据，他们被告知要观看40个一分钟的音乐视频，并按照几个等级的1到9等级对其进行评分，包括效价(给定视频的内在吸引力/“好” - 或者/或/ / “坏” - 性)，觉醒(它引起的生理反应的强度)，支配地位和情感。大于4.5的等级被认为是“高”，而低于4.5的等级被标记为“低”。

有了这些数据，论文的作者训练了三种类型的分类器来区分情绪：k-最近邻算法，支持向量机和人工神经网络。所有这三个都是来自左右额脑附近的10个电极通道的EEG信号的特征 - 与正面和负面情绪密切相关的区域。与基线相比，三者中性能最佳的分类器在β频段内实现了91.3%的觉醒准确率和91.1%的准确度。

研究人员认为，集成学习是一种AI范式，其中机器学习系统的组合协同工作以产生单一预测，可以进一步改善模型的性能。但他们声称当前的准确度高于应用于DEAP数据集的现有算法。

研究人员表示，“使用情绪信号进行情绪识别的研究增强了脑 - 计算机接口(BCI)系统作为临床应用和人类社会交往的有效主题。” 像这样的系统可用于“调查情绪状态，同时考虑情绪的自然方面，以阐明心理障碍的治疗方法，如自闭症谱系障碍(ASD)，注意力缺陷多动障碍，(ADHD)和焦虑症。”